KR101538843B1 - Yield management system and method for root cause analysis using manufacturing sensor data - Google Patents
Yield management system and method for root cause analysis using manufacturing sensor data Download PDFInfo
- Publication number
- KR101538843B1 KR101538843B1 KR1020130062300A KR20130062300A KR101538843B1 KR 101538843 B1 KR101538843 B1 KR 101538843B1 KR 1020130062300 A KR1020130062300 A KR 1020130062300A KR 20130062300 A KR20130062300 A KR 20130062300A KR 101538843 B1 KR101538843 B1 KR 101538843B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor data
- sensor
- reference signal
- data
- value
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims description 55
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 description 14
- 230000007547 defect Effects 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
제품의 제조 공정 분석 시스템 및 장치가 개시된다. 본 발명의 일 실시예에 따른 제품의 수율 분석 시스템은, 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 추출하는 데이터 추출부, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부, 및 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함한다.A manufacturing process analysis system and apparatus for a product are disclosed. A product yield analysis system according to an embodiment of the present invention includes a data extracting unit for extracting sensor data from a plurality of sensors provided in a manufacturing facility, a reference signal extracting unit for extracting, from the sensor data, And a sensor detecting unit for detecting at least one sensor having a correlation with the yield of the product using the sensor data and the reference signal.
Description
본 발명의 실시예들은 제품의 제조 공정을 분석하기 위한 기술과 관련된다.
Embodiments of the present invention relate to techniques for analyzing the manufacturing process of a product.
반도체 또는 디스플레이 제조 설비 등의 경우 제조 공정에서 발생할 수 있는 문제들을 분석하기 위하여 설비분석시스템(FDC; Fault Detection and Classification)을 구비하는 것이 일반적이다. 이러한 설비분석시스템은 반도체 디바이스의 제조 설비에 구비된 각종 센서 데이터를 이용하여 반도체 디바이스의 수율에 영향을 미치는 공정 또는 장비를 분석하고 제어하게 된다.In the case of semiconductors or display manufacturing facilities, it is common to have Fault Detection and Classification (FDC) in order to analyze problems that may occur in the manufacturing process. Such a facility analysis system analyzes and controls a process or equipment that affects the yield of a semiconductor device by using various sensor data provided in the manufacturing facility of the semiconductor device.
제품 불량에 대한 종래의 원인탐색(ROOT CAUSE) 방법은 양/불 판정을 받은 제품의 공정진행 (Work In Process: WIP)정보를 활용하여, 설비별로 양/불 판정을 받은 제품의 비율을 계산한 후, 불량제품 비율과 양품제품 비율의 차(差)가 높은 순으로 혐의 설비 또는 챔버를 불량의 원인으로 지목하는 것이었다. 그러나 이와 같은 종래의 원인 탐색 방법은 분석 대상 제품의 불량률이 특히 낮거나, 설비가 일체형(in-line)이거나, 또는 2가지 이상의 불량 유발 원인이 혼재되어 있는 경우에는 적용이 어려운 문제가 있다. 또 다른 형태의 원인 탐색 방법은 설비분석시스템에서 기록되는 Sensor 데이터의 평균 등의 요약값(FDC Summary Data)을 활용하여, 양/불 제품간의 유의차를 근거로 불량의 원인을 탐색한다. 하지만 이 방법은 시계열 특성을 가지는 센서 데이터를 그대로 활용하지 않고 전체 데이터를 요약한 대표값만을 이용하여 분석을 수행함으로써 센서 데이터의 패턴 변화 감지가 불가능하며, 이에 따라 분석 결과에 왜곡이 발생할 가능성이 존재한다.
Conventional ROOT CAUSE method for product failure uses the information of the work in process (WIP) of the product which has been judged as positive / negative, The difference between the defective product ratio and the good product ratio was the highest, indicating that the suspected equipment or chamber was the cause of defects. However, such a conventional cause search method has a problem that it is difficult to apply the present invention when the defect rate of the analysis target product is particularly low, the equipment is in-line, or two or more defect inducing factors are mixed. Another type of cause search method exploits the FDC summary data, such as the average of the sensor data recorded in the facility analysis system, and explains the cause of the defect based on the difference between the quantity and the quantity. However, this method can not detect the pattern change of the sensor data by performing analysis using only the representative value summarizing the entire data without using the sensor data having the time-series characteristic as it is, and there is a possibility that the analysis result may be distorted do.
본 발명의 실시예들은 불량 발생 시 제품 제조에 사용됐던 설비의 센서 데이터를 활용하여 불량의 원인인 혐의 설비를 정확히 파악할 수 있는 수율 분석 수단을 제공하기 위한 것이다.
Embodiments of the present invention are intended to provide a yield analysis means that can precisely grasp the suspicious equipment which is the cause of defects by utilizing the sensor data of the equipment used in manufacturing the product in the event of a defect.
본 발명의 실시예에 따른 수율 분석 시스템은, 제조 설비에 구비된 복수 개의 센서들로부터 데이터를 추출하는 데이터 추출부, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부, 및 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함한다.A yield analysis system according to an embodiment of the present invention includes a data extracting unit for extracting data from a plurality of sensors provided in a manufacturing facility, a reference generating unit for generating a reference signal for generating a reference signal for each of the plurality of sensors from the sensor data, And a sensor detecting unit that detects one or more sensors having a correlation with the yield of the product using the sensor data and the reference signal.
상기 데이터 추출부는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링할 수 있다.The data extracting unit may correct or filter the sensor data in consideration of the number of missing values of the sensor data.
상기 데이터 추출부는, 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거할 수 있다.The data extracting unit may remove the sensor data extracted from the specific sensor when the number of missing values of the sensor data extracted from the specific sensor exceeds the set reference value.
상기 데이터 추출부는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정제품과 관계된 센서 데이터를 제거할 수 있다.The data extracting unit may remove sensor data related to the specific product when a missing value of the sensor data related to the specific product exceeds a set reference value.
상기 센서 검출부는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출할 수 있다.The sensor detecting unit may calculate a distance between the sensor data and the reference signal, and may detect one or more sensors having a correlation with the yield of the product using the calculated distance.
상기 시스템은, 상기 센서 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행하는 전처리부를 더 포함할 수 있다.The system may further include a preprocessor for performing preprocessing including at least one of compression, normalization, and symbolization of the sensor data and the reference signal.
상기 전처리부는, 상기 센서 데이터를 복수 개의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센서 데이터의 대표값을 계산함으로써 상기 센서 데이터를 압축할 수 있다.The preprocessor may compress the sensor data by dividing the sensor data into a plurality of time intervals and calculating a representative value of the sensor data for each of the divided time intervals.
상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.The representative value may be one of an average value or an intermediate value of the divided sensor data for each time interval.
상기 기준 신호 생성부는, 상기 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 상기 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하고, 상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성할 수 있다.The reference signal generator may classify the sensor data compressed using the positive determination information of the product for each sensor into a good group and a bad group and transmit the sensor data belonging to the normal group The reference signal can be generated by calculating either the average value or the intermediate value of the sensor data.
상기 기준 신호 생성부는, 상기 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거할 수 있다.The reference signal generator may remove an outlier from the normal group before generating the reference signal.
상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터일 수 있다.The abnormal value may be sensor data in which at least one of a data start time or a data end time is not included in a preset normal range.
상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.The normal range may be calculated using at least one of an average value or a standard deviation of data start time or data end time of the sensor data included in the normal group.
상기 전처리부는, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하고, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환할 수 있다.The pre-processing unit normalizes the sensor data compressed using the mean and variance of the reference signal, and outputs the sensor value of the normalized sensor data and the reference signal as a plurality of symbols according to a predetermined sensor value range. Can be converted.
상기 센서 검출부는, 심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 제품의 수율 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하고, 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼트리를 생성할 수 있다.The sensor detection unit generates a distance table using the symbolized sensor data, the reference signal, and the yield decision information of the product, and applies a Classification And Regression Tree (CART) algorithm to the distance table You can create a decision tree.
상기 센서 검출부는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출할 수 있다.The sensor detecting unit may detect a sensor having a Gini Index derived from the application of the CART algorithm equal to or greater than a set value by a sensor having a correlation with the yield of the product.
본 발명의 일 실시예에 따른 제품의 수율 분석 방법은, 데이터 추출부에서 제품의 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 추출하는 단계, 기준 신호 생성부에서, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 단계, 및 센서 검출부에서, 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 단계를 포함한다.A method for analyzing yield of a product according to an embodiment of the present invention includes extracting sensor data from a plurality of sensors provided in a product manufacturing facility in a data extracting section, Generating a reference signal for each of the plurality of sensors, and detecting, in the sensor detecting section, one or more sensors having correlation with the yield of the product using the sensor data and the reference signal .
상기 센서 데이터를 추출하는 단계는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하는 단계를 더 포함할 수 있다.The step of extracting the sensor data may further include a step of correcting or filtering the sensor data in consideration of the number of missing values of the sensor data.
상기 센서 데이터를 보정 또는 필터링하는 단계는, 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거하도록 구성될 수 있다.The step of correcting or filtering the sensor data may be configured to remove the sensor data extracted from the specific sensor when the number of missing values of the sensor data extracted from the specific sensor exceeds a set reference value.
상기 센서 데이터를 보정 또는 필터링하는 단계는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정제품과 관계된 센서 데이터를 제거하도록 구성될 수 있다.The step of correcting or filtering the sensor data may be configured to remove sensor data related to the specific product when a missing value of the sensor data related to the specific product exceeds a set reference value.
상기 센서를 검출하는 단계는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출할 수 있다.The detecting the sensor may include calculating a distance between the sensor data and the reference signal and using the calculated distance to detect one or more sensors that correlate with the yield of the product.
상기 방법은, 상기 센서 데이터를 추출하는 단계의 수행 후 및 상기 기준 신호를 생성하는 단계의 수행 전, 전처리부에서 추출된 상기 센서 데이터를 압축하는 단계를 더 포함할 수 있다.The method may further include compressing the sensor data extracted by the preprocessing unit after the step of extracting the sensor data and before the step of generating the reference signal.
상기 센서 데이터를 압축하는 단계는, 상기 센서 데이터를 복수 개의 시간 구간으로 분할하는 단계, 및 분할된 상기 시간 구간별 센서 데이터의 대표값을 계산하는 단계를 더 포함할 수 있다.The step of compressing the sensor data may further include dividing the sensor data into a plurality of time intervals and calculating a representative value of the divided sensor data.
상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.The representative value may be one of an average value or an intermediate value of the divided sensor data for each time interval.
상기 각 센서별 기준 신호를 생성하는 단계는, 상기 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계, 및 상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함할 수 있다.The step of generating the reference signal for each sensor may include the steps of classifying the compressed sensor data into a good group and a bad group using the positive judgment information of the product for each sensor, And calculating an average value or an intermediate value of the sensor data belonging to the normal group for each time interval.
상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계는, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는 단계를 더 포함할 수 있다.The step of classifying the compressed sensor data into a good group and a bad group may further include removing an outlier from the normal group.
상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터일 수 있다.The abnormal value may be sensor data in which at least one of a data start time or a data end time is not included in a preset normal range.
상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.The normal range may be calculated using at least one of an average value or a standard deviation of data start time or data end time of the sensor data included in the normal group.
상기 방법은, 상기 하나 이상의 센서를 검출하는 단계의 수행 전, 상기 전처리부에서, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하는 단계, 및 상기 전처리부에서, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환하는 단계를 더 포함할 수 있다.The method may further comprise normalizing the sensor data compressed using the mean and variance of the reference signal in the pre-processing unit before performing the step of detecting the at least one sensor, and in the pre- Converting the sensor value of the sensor data and the reference signal into a plurality of symbols according to a predetermined sensor value range.
상기 하나 이상의 센서를 검출하는 단계는, 심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 제품의 수율 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하는 단계, 및 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하는 단계를 포함할 수 있다.Wherein the step of detecting the at least one sensor comprises the steps of generating a distance table using the symbolized sensor data, the reference signal and the yield decision information of the product, Regression Tree " algorithm).
상기 하나 이상의 센서를 검출하는 단계는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출할 수 있다.The step of detecting the at least one sensor may detect a sensor having a Gini Index derived from the application of the CART algorithm equal to or greater than a set value by a sensor having a correlation with the yield of the product.
한편, 본 발명의 일 실시예에 따른 장치는, 하나 이상의 프로세서, 메모리, 및 하나 이상의 프로그램을 포함하는 장치로서, 상기 하나 이상의 프로그램은 상기 메모리에 저장되고 상기 하나 이상의 프로세서에 의해 실행되도록 구성되며, 상기 프로그램은 제품의 제조 설비에 구비된 복수 개의 센서들로부터 데이터를 추출하는 과정, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 과정, 및 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 과정을 실행하기 위한 명령어들을 포함한다.
Meanwhile, an apparatus according to an embodiment of the present invention is an apparatus including one or more processors, a memory, and one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors, The program includes the steps of extracting data from a plurality of sensors provided in a manufacturing facility of a product, generating a reference signal for each of the plurality of sensors from the sensor data, And detecting one or more sensors having a correlation with the yield of the product.
본 발명의 실시예들에 따를 경우, 불량 제품의 원인이 되는 공정을 파악하는 수율 분석 시, 시계열 특성을 가지는 센서 데이터를 그대로 이용하여 제조 공정 데이터를 분석함으로써 제품 수율에 영향을 미치는 요인을 정확히 파악할 수 있는 장점이 있다.According to the embodiments of the present invention, in analyzing the yield which is the cause of the defective product, the factors affecting the yield of the product can be accurately determined by analyzing the manufacturing process data using the sensor data having the time- There are advantages to be able to.
또한, 방대한 용량을 가지는 센서 데이터에 대한 전처리 과정을 통하여 센서 데이터를 요약함으로써 데이터의 용량을 감소시킴과 동시에 제조 과정에서 발생되는 센서 데이터의 노이즈를 효과적으로 제거할 수 있는 장점이 있다. 이에 따라 데이터의 시계열적 특정을 그대로 살리면서도 효과적으로 센서 데이터 분석을 수행할 수 있게 된다.
Also, there is an advantage that the capacity of the data can be reduced by summarizing the sensor data through the preprocessing process on the sensor data having a large capacity, and the noise of the sensor data generated in the manufacturing process can be effectively removed. Accordingly, the sensor data analysis can be performed effectively while keeping the time-series specificity of the data as it is.
도 1은 본 발명의 일 실시예에 따른 제조 공정 데이터를 활용한 수율 분석 시스템(100)을 설명하기 위한 블록도이다.
도 2는 본 본 발명의 일 실시예에 따른 제조 공정 데이터를 활용한 수율 분석 방법(200)을 설명하기 위한 순서도이다.FIG. 1 is a block diagram for explaining a
2 is a flowchart illustrating a
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.Hereinafter, specific embodiments of the present invention will be described with reference to the drawings. However, this is merely an example and the present invention is not limited thereto.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. In the following description, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. The following terms are defined in consideration of the functions of the present invention, and may be changed according to the intention or custom of the user, the operator, and the like. Therefore, the definition should be based on the contents throughout this specification.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하의 실시예는 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
The technical idea of the present invention is determined by the claims, and the following embodiments are merely a means for effectively explaining the technical idea of the present invention to a person having ordinary skill in the art to which the present invention belongs.
도 1은 본 발명의 일 실시예에 따른 제조 공정 데이터를 활용한 수율 분석 시스템(100)을 설명하기 위한 블록도이다. 본 발명의 실시예들에서, 수율 분석 시스템(100)은 제품의 제조 공정 데이터와 양불 판정 정보를 연계하여 분석함으로써 제품 수율(Yield)에 영향을 미치는 공정 요소를 파악하기 위한 것이다. 이하에서는 본 발명을 반도체 디바이스의 제조 공정에 적용한 것으로 가정하여 본 발명의 실시예들을 설명하기로 한다. 그러나 본 발명의 권리범위는 반도체 디바이스에만 한정되는 것은 아니며, 제조 설비에서 기 설정된 과정을 거쳐 생산되는 모든 제품에도 적용 가능함을 유의한다. 즉, 이하의 설명에서 “반도체 디바이스”라고만 기재되어 있더라도, 이는 본 발명에 따른 “제품의 일례로서의 반도체 디바이스”를 의미하는 것으로 해석되어야 한다.FIG. 1 is a block diagram for explaining a
본 발명의 예시적 실시예들에서, 수율 분석 시스템(100)은 제품, 예를 들어 반도체 디바이스 등의 제조 설비에 구비된 각종 센서로부터 데이터를 획득하고, 획득된 센서 데이터를 이용하여 제조된 제품의 불량을 유발하는 혐의 설비 또는 공정을 검출하도록 구성된다. 본 발명의 실시예들에서 반도체 디바이스란 반도체 또는 디스플레이 제조 공장(FAB; Fabrication Facility)에서 제조되는 제품을 지칭하는 것으로서, 예를 들어 실리콘 웨이퍼 또는 글래스 웨이퍼 등이 본 발명에서의 반도체 디바이스가 될 수 있다.In the exemplary embodiments of the present invention, the
도시된 바와 같이, 본 발명의 일 실시예에 따른 제품의 수율 분석 시스템(100)은 데이터 추출부(102), 기준 신호 생성부(104), 전처리부(106) 및 센서 검출부(108)를 포함한다.The product
데이터 추출부(102)는 제품, 예를 들어 반도체 디바이스 등의 제조 설비에 구비된 복수 개의 센서들로부터 데이터를 획득한다. 기준 신호 생성부(104)는 데이터 추출부(102)에서 획득된 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성한다. 전처리부(106)는 상기 센서 데이터 및 상기 기준 신호의 용량 감소 및 노이즈 제거를 위한 전처리를 수행한다. 그리고 센서 검출부(108)는 전처리된 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출한다.The
이하에서는 상기와 같이 구성된 제품의 수율 분석 시스템(100)의 각 구성요소들을 상세히 설명한다.
Hereinafter, each component of the product
데이터 추출Data extract
데이터 추출부(102)는 제조 설비, 예를 들어 반도체 디바이스 등의 제조 설비로부터 분석의 대상이 되는 원시 데이터(Raw Data)를 추출하고 이를 분석이 가능한 형태로 가공한다. 먼저, 데이터 추출부(102)는 상기 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 획득한다.The
이때, 상기 센서는 상기 제조 설비의 제품 생산 과정에서의 상태 변화를 감지하기 위한 것으로서, 예를 들어 특정 공정을 담당하는 설비에 설치된 온도 센서 또는 압력 센서 등일 수 있다. 즉, 이 경우 상기 온도 센서 또는 압력 센서는 제품의 제조 과정에서의 해당 설비의 시간에 따른 온도 변화 또는 압력 변화를 센싱하도록 구성될 수 있다. 데이터 추출부(102)는 이와 같은 센서들로부터 제품 제조 설비의 각 공정 별, 각 공정들의 세부 공정 별 또는 각 챔버(Chamber) 별 센서 데이터를 추출하게 된다.At this time, the sensor is for detecting a state change in the production process of the manufacturing facility, and may be, for example, a temperature sensor, a pressure sensor, or the like installed in a facility in charge of a specific process. That is, in this case, the temperature sensor or the pressure sensor may be configured to sense a temperature change or a pressure change with time of the equipment in the manufacturing process of the product. The
또한, 데이터 추출부(102)는 상기 제조 설비로부터 생산된 제품, 예를 들어 반도체 디바이스의 최종 수율 판정 정보(양불 판정 정보)를 획득하고, 이를 상기 센서 데이터와 연계하여 저장할 수 있다. 상기 수율 판정 정보는, 예를 들어 제조 설비에 구비된 EDS(Electric Die Sorting) 등의 장비로부터 획득될 수 있다. 즉, 데이터 추출부(102)는 제품의 제조 과정에서 각 센서들이 센싱한 센서 데이터 및 상기 제조 과정을 통하여 생산된 제품의 양불 판정 정보를 연계하여 저장함으로써, 향후 데이터 분석 과정에서 센서 데이터의 변화에 따른 제품의 불량률 변화를 추적할 수 있게 된다.Further, the
한편, 데이터 추출부(102)에서 추출되는 센서 데이터에는, 센서의 오작동, 센싱 오류, 데이터 수집 오류 등의 다양한 이유로 인하여 결측값이 존재할 수 있다. 이에 따라, 데이터 추출부(102)는 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하도록 구성된다.On the other hand, the sensor data extracted by the
예를 들어, 데이터 추출부(102)는 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거함으로써 해당 센서의 센서값을 이후 분석에서 배제할 수 있다. 또한, 데이터 추출부(102)는 특정 제품과 관계된, 즉 상기 특정 제품의 생산 과정에서 생성된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 제품과 관계된 센서 데이터를 모두를 제거하도록 구성될 수 있다. 즉, 본 발명의 실시예에서는 센서 데이터의 결측값이 지나치게 많은 경우 해당 센서 또는 제품과 관계된 센서 데이터를 모두 분석에서 배제함으로써 분석 결과에 오류가 발생하는 것을 최소화하도록 구성된다.For example, when the number of missing values of the sensor data extracted from the specific sensor exceeds the set reference value, the
한편, 데이터 추출부(102)는 센서 데이터에 결측값이 존재하나, 그 결측값의 개수가 설정된 기준값을 초과하지 않는 경우 전후의 센서 데이터를 이용하여 결측값을 보정할 수 있다. 예를 들어, 데이터 추출부(102)는 다음의 수학식 1을 이용하여 결측값을 보정할 수 있다.
On the other hand, if there is a missing value in the sensor data but the number of the missing values does not exceed the set reference value, the
이때, y는 결측값, x는 결측 시각, ya는 결측 직전 센서값, yb는 결측 직후 센서값, xa 및 xb는 각각 ya 및 yb의 센싱 시각을 의미한다. 다만, 상기 수학식 1의 결측값 보정식은 단지 예시일 뿐이며, 이 외에도 결측값 보정을 위한 다양한 방법들이 적용될 수 있다. 즉, 본 발명은 특정한 결측값 보정 알고리즘에 한정되는 것은 아님에 유의한다.
In this case, y represents the missing value, x represents the missing time, y a represents the immediately preceding sensor value, y b represents the sensor value immediately after the detection, and x a and x b represent the sensing time of y a and y b , respectively. However, the missing value correction equation of Equation (1) is merely an example, and various methods for correcting the missing values can be applied. In other words, it should be noted that the present invention is not limited to a specific missing value correction algorithm.
데이터 전처리 및 기준 신호(Data preprocessing and reference signal (
ReferenceReference
SignalSignal
) 생성) produce
상기와 같이 센서 데이터가 추출되면, 다음으로 기준 신호 생성부(104)는 획득된 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하고, 전처리부(106)는 상기 센서 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행한다.After the sensor data is extracted as described above, the
먼저,전처리부(106)는 상기 센서 데이터를 복수 개의 시간 구간으로 압축한다. 구체적으로 전처리부(106)는 상기 센서 데이터를 복수 개(w개)의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센서 데이터의 대표값을 계산함으로써 상기 센서 데이터를 압축하게 된다. 이때 상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값으로 설정될 수 있다. 이와 같이 센서 데이터를 압축할 경우 센서 데이터의 전체 용량을 축소하는 동시에 데이터에 존재하는 노이즈를 감소시킬 수 있는 장점이 있다. 이때, 상기 w값, 즉 센서 데이터를 분할하기 위한 구간의 개수를 결정하기 위하여, 예를 들어 SAX(Symbolic ApproXimation) 알고리즘 등이 사용될 수 있으나 반드시 이에 한정되는 것은 아니다.First, the
이와 같은 센서 데이터의 압축 과정을 예를 들어 설명하면 다음과 같다. 먼저, 특정 센서로부터 1초 간격으로 센싱된 센서 데이터가 다음과 같다고 가정하자.
The process of compressing the sensor data will be described as follows. First, it is assumed that the sensor data sensed at a 1-second interval from a specific sensor is as follows.
3.5, 3.8, 3.9, 4.1, 4.5, 4.7, 4.8, 4.8, 4.8, 4.7, 4.8, 4.9, ...
3.5, 3.8, 3.9, 4.1, 4.5, 4.7, 4.8, 4.8, 4.8, 4.7, 4.8, 4.9, ...
상기 센서 데이터를 4개의 시간 구간으로 분할하고(w = 4), 각 구간 별 평균값을 계산하면 다음과 같다.
The sensor data is divided into four time intervals (w = 4), and an average value of each interval is calculated as follows.
구간 1: (3.5 + 3.8 + 3.9) / 3 = 3.7Section 1: (3.5 + 3.8 + 3.9) / 3 = 3.7
구간 2: (4.1 + 4.5 + 4.7) / 3 = 4.4Section 2: (4.1 + 4.5 + 4.7) / 3 = 4.4
구간 3: (4.8 + 4.8 + 4.8) / 3 = 4.8Section 3: (4.8 + 4.8 + 4.8) / 3 = 4.8
구간 4: (4.7 + 4.8 + 4.9) / 3 = 4.8
Section 4: (4.7 + 4.8 + 4.9) / 3 = 4.8
즉 상기 예에서, 센서 데이터는 다음과 같이 압축될 수 있다.
That is, in the above example, the sensor data can be compressed as follows.
3.7, 4.4, 4.8, 4.8
3.7, 4.4, 4.8, 4.8
이후, 기준 신호 생성부(104)는 압축된 상기 센서 데이터로부터 기준 신호(Reference Signal)을 생성한다. 본 발명의 실시예에서, 기준 신호는 센서 별 센서 데이터의 거리를 계산하는 데 기준이 되는 신호를 의미한다.Thereafter, the
기준 신호 생성부(104)에서의 기준 신호 생성 과정을 설명하면 다음과 같다. 먼저, 기준 신호 생성부(104)는 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 상기 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류한다. 즉, 상기 정상 그룹에는 정상으로 판정된 제품의 제조 과정에서 발생한 센서 데이터가 포함되며, 상기 불량 그룹에는 불량으로 판정된 제품의 제조 과정에서 발생된 센서 데이터가 포함된다.The reference signal generation process in the reference
이후, 기준 신호 생성부(104)는 상기 시간 구간(w)별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성한다. 즉, 본 발명에서 기준 신호는 각 구간 별 정상 그룹에 속한 센서 데이터의 평균값 또는 중간값으로 정의될 수 있다.Thereafter, the
한편, 기준 신호 생성부(104)는 상기 기준 신호를 생성하기 전, 먼저 상기 정상 그룹으로부터 이상치(outlier)를 제거하도록 구성될 수 있다. 상기 이상치는 정상 그룹에 속한 다른 센서 데이터와 비교하여 볼 때 비정상적으로 차이가 큰 센서 데이터를 의미한다. 이와 같은 이상치의 경우 센서 또는 설비의 일시적 장애 등 특수한 상황에서 발생하는 것이 일반적이므로, 이를 제외하지 않을 경우 오히려 기준 신호가 왜곡될 가능성이 있다. 기준 신호를 생성하기 전 이를 제거할 경우 기준 신호를 정확도를 향상할 수 있다.Meanwhile, the
구체적으로, 기준 신호 생성부(104)는 상기 정상 그룹에 속한 센서 데이터들의 데이터 시작 시각 또는 데이터 종료 시각들의 분포를 계산하고, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터가 존재하는 경우, 해당 센서 데이터를 제거하도록 구성될 수 있다. 이때 상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.Specifically, the
예를 들어, 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시간의 평균값을 m, 표준편차를 s라 하면 상기 데이터 시작 시간의 정상 범위는 다음의 수학식 2와 같이 정해질 수 있다.
For example, if the average value of the data start time of the sensor data included in the normal group is m, and the standard deviation is s, the normal range of the data start time can be determined by the following equation (2).
즉, 기준 신호 생성부(104)는 상기 정상 그룹에 속한 센서 데이터 중 데이터 시작 시간이 상기 범위를 벗어나는 센서 데이터를 제외하고 나머지 센서 데이터만으로 기준 신호를 생성할 수 있다. 앞선 수학식에서는 데이터 시작 시간의 정상 범위만을 기재하였으나, 데이터 종료 시간 또한 동일한 방법으로 계산할 수 있음은 자명하다.That is, the
다음으로, 전처리부(106)는 압축된 상기 센서 데이터를 정규화(normalization)한다. 구체적으로, 전처리부(106)는 상기 기준 신호의 평균 및 분산을 이용하여 다음의 수학식 3과 같이 센서 데이터를 정규화할 수 있다.
Next, the
이때, xi는 센서 데이터의 i번째 센서값, yi는 정규화된 센서값, μ는 기준 신호의 평균, σ는 기준 신호의 분산을 의미한다. Here, x i is the i-th sensor value of the sensor data, y i is the normalized sensor value, μ is the average of the reference signal, and σ is the variance of the reference signal.
다음으로, 전처리부(106)는 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환한다(symbolization). 구체적으로, 전처리부(106)는 정규화된 센서값들이 분포하는 전체 구간을 복수 개(α개)의 소구간으로 분할하고, 분할된 각 소구간에 각각 다른 심볼(예를 들어, 알파벳 문자)을 부여함으로써 센서 데이터를 심볼화할 수 있다. 예를 들어, 전처리부(106)는 다음의 수학식 4를 이용하여 센서값들이 분포하는 구간을 분할할 수 있다.
Next, the
이때, yi는 i번째 소구간의 임계값, n은 전체 소구간 개수, Φ는 누적정규분포를 각각 의미한다.In this case, y i is a threshold value of the i th small section, n is the total number of small sections, and Φ is a cumulative normal distribution.
예를 들어, 정규화된 센서 데이터가 다음과 같다고 가정하자.
For example, suppose the normalized sensor data is:
-0.3, -0.7, -0.2, 0.4, 0.8, ...
-0.3, -0.7, -0.2, 0.4, 0.8, ...
만약 상기 센서 데이터를 다음의 표 1과 같은 방법으로 심볼화한다고 가정할 경우, 상기 센서 데이터는 다음과 같이 변환될 수 있다.
If it is assumed that the sensor data is symbolized by the method shown in Table 1, the sensor data can be converted as follows.
심볼화된 센서 데이터: B A B C D
Symbolized sensor data: BABCD
거리 테이블 생성 및 센서 검출Distance table generation and sensor detection
상기 과정을 거쳐 전처리부(106)에서의 센서 데이터 전처리가 완료되면, 센서 검출부(108)는 전처리된 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출한다.After completion of the sensor data preprocessing in the
먼저, 센서 검출부(108)는 전처리된 상기 센서 데이터의 각 센서값들과 기준 신호간의 거리(MDIST)를 계산한다. 상기 거리는 예를 들어 아래의 수학식 5에 의하여 계산될 수 있다.
First, the
상기 수학식 5는 n개의 심볼(Symbol)로 표현된 두 시계열 데이터 Q, P의 번째 요소(Qi, Pi)간의 거리(MDISTi)를 계산하기 위한 수학식이다. 상기 수학식에서, r, c는 Qi 및 Pi로 구성된 룩업 테이블(Lookup Table)의 행(r)과 열(c)의 위치를 각각 나타낸다. 상기 수학식 5에서는 상기 거리의 일례로서 MDIST를 예를 들었지만, 그 외의 Euclidean Distance 등의 다양한 거리 척도를 사용할 수 있다. 상기와 같이 각 센서값들과 기준 신호간의 거리가 계산되면, 센서 검출부(108)는 상기 거리값 및 제품의 양불 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성한다. 본 발명의 실시예에서, 센서 검출부(108)는 제1 거리 테이블 및 제2 거리 테이블을 포함하는 2개의 거리 테이블을 생성할 수 있다. 이 중 제1 거리 테이블은 각 센서들의 시간 구간에 따른 기준 신호와의 거리차를 기록한 테이블이다. 예를 들어, 구간 I1, I2, I3에서 웨이퍼1 및 웨이퍼2의 제조 공정에서 센싱된 압력 센서와 온도 센서의 센서값 및 기준 신호가 다음의 표 2와 같다고 가정하자.
Equation (5) is a mathematical expression for calculating the distance (MDIST i ) between two time series data Q represented by n symbols, and the ith element (Q i , P i ) of P. In the above equations, r and c represent the positions of row (r) and column (c) of a lookup table composed of Q i and P i , respectively. In Equation (5), MDIST is used as an example of the distance, but various distance scales such as Euclidean Distance can be used. When the distance between each sensor value and the reference signal is calculated as described above, the
이 경우 제1 거리 테이블은 다음의 표 3과 같이 계산될 수 있다.
In this case, the first distance table can be calculated as shown in Table 3 below.
제2 거리 테이블은 제1 거리 테이블의 센서별 거리(MDIST)의 합을 기록한 테이블이다. 예를 들어, 상기 표 3에 기재된 거리 테이블로부터 제2 거리 테이블을 생성하면 다음의 표 4와 같다.
The second distance table is a table in which the sum of distances (MDIST) for each sensor in the first distance table is recorded. For example, if the second distance table is generated from the distance table described in Table 3, the following Table 4 is obtained.
상기와 같이 거리 테이블이 생성되면, 다음으로 센서 검출부(108)는 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼 트리를 생성한다. 구체적으로, 센서 검출부(108)는 상기 제1 거리 테이블, 제2 거리 테이블 각각에 CART 알고리즘을 적용하여 2개의 디시젼 트리를 생성할 수 있다. 이때 제1 거리 테이블은 각 센서 데이터의 어떤 구간이 제품의 수율에 영향을 미치는지를 파악하는데, 제2 거리 테이블은 전반적으로 어떤 센서가 제품의 수율에 영향을 미치는지를 파악하는데 각각 이용될 수 있다.When the distance table is generated as described above, the
상기와 같이 거리 테이블에 CART 알고리즘을 적용할 경우, 디시젼 트리의 각 노드를 구성하는 센서들의 지니 지수(Gini Index)가 계산된다. 상기 지니 지수는 해당 노드에 대응되는 센서가 제품의 수율에 미치는 영향을 나타내는 지수로서, 지니 지수가 높을수록 해당 센서가 제품의 수율에 미치는 영향이 크다는 것을 의미한다. 따라서 센서 검출부(108)는 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)에 따라 센서들을 정렬하고, 지니 지수가 기 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 높은 센서로 검출할 수 있다.
When the CART algorithm is applied to the distance table as described above, the Gini Index of sensors constituting each node of the decision tree is calculated. The Gini index is an index indicating the influence of the sensor corresponding to the node on the yield of the product. The higher the Gini index, the greater the influence of the sensor on the yield of the product. Accordingly, the
도 2는 본 본 발명의 일 실시예에 따른 제품의 제조 공정 분석 방법(200)을 설명하기 위한 순서도이다. 먼저, 데이터 추출부(102)에서 제품의 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 추출한다(202). 전술한 바와 같이, 상기 202단계는 센서 데이터의 결측값의 개수를 고려하여 센서 데이터를 보정 또는 필터링하는 단계를 더 포함할 수 있다. 예를 들어, 데이터 추출부(102)는 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 특정 센서로부터 추출된 센서 데이터를 제거할 수 있다. 또한 데이터 추출부(102)는 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 특정 제품과 관계된 센서 데이터를 제거할 수 있다.2 is a flowchart illustrating a
다음으로, 전처리부(106)에서 추출된 센서 데이터를 압축한다(204). 구체적으로, 상기 204단계는 상기 센서 데이터를 복수 개의 시간 구간으로 분할하는 단계, 및 분할된 시간 구간별 센서 데이터의 대표값을 계산하는 단계를 더 포함할 수 있다. 이때 상기 대표값은 분할된 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.Next, the sensor data extracted by the
다음으로, 기준 신호 생성부(104)에서 상기 센서 데이터로부터 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성한다(206). 이때 상기 206 단계는 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계, 및 상기 시간 구간별로 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함할 수 있다.Next, the
또한, 전술한 바와 같이 기준 신호 생성부(104)는 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거하도록 구성될 수 있다. 이때 상기 이상치는 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터를 의미함은 전술하였다. 상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.Also, as described above, the
상기와 같이 기준 신호가 생성되면, 다음으로 전처리부(106)에서 기준 신호의 평균 및 분산을 이용하여 압축된 센서 데이터를 정규화하고(208), 정규화된 센서 데이터의 센서값 및 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환한다(210).After the reference signal is generated as described above, the
이후, 센서 검출부(108)는 센서 데이터와 기준 신호와의 거리를 계산하고, 계산된 거리를 이용하여 거리 테이블을 생성하며(212), 상기 거리 테이블을 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출한다(214). 전술한 바와 같이, 센서 검출부(108)는 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하고, CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 제품의 수율과 상관관계가 존재하는 센서로 검출하도록 구성될 수 있다.
Thereafter, the
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플로피 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
On the other hand, an embodiment of the present invention may include a computer-readable recording medium including a program for performing the methods described herein on a computer. The computer-readable recording medium may include a program command, a local data file, a local data structure, or the like, alone or in combination. The media may be those specially designed and constructed for the present invention or may be known and available to those of ordinary skill in the computer software arts. Examples of computer readable media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floppy disks, and magnetic media such as ROMs, And hardware devices specifically configured to store and execute program instructions. Examples of program instructions may include machine language code such as those generated by a compiler, as well as high-level language code that may be executed by a computer using an interpreter or the like.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is clearly understood that the same is by way of illustration and example only and is not to be construed as limiting the scope of the present invention. I will understand.
그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
Therefore, the scope of the present invention should not be limited to the above-described embodiments, but should be determined by equivalents to the appended claims, as well as the appended claims.
100: 제품의 제조 공정 분석 시스템
102: 데이터 추출부
104: 기준 신호 생성부
106: 전처리부
108: 센서 검출부100: Product manufacturing process analysis system
102: Data extraction unit
104: Reference signal generator
106:
108:
Claims (31)
상기 양불 판정 정보에 기초하여, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부; 및
상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함하는 수율 분석 시스템.
A data extracting unit provided in a manufacturing facility of a product, for extracting sensor data from a plurality of sensors for detecting a change in the state of the manufacturing facility and acquiring good judgment information on products produced from the manufacturing facility;
A reference signal generation unit for generating a reference signal for each of the plurality of sensors from the sensor data based on the ample judgment information; And
And a sensor detection unit for detecting one or more sensors having a correlation with the yield of the product using the sensor data and the reference signal.
상기 데이터 추출부는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하는, 수율 분석 시스템.
The method according to claim 1,
Wherein the data extracting unit corrects or filters the sensor data in consideration of the number of missing values of the sensor data.
상기 데이터 추출부는, 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거하는, 수율 분석 시스템.
The method of claim 2,
Wherein the data extracting unit removes sensor data extracted from the specific sensor when the number of missing values of the sensor data extracted from the specific sensor exceeds a set reference value.
상기 데이터 추출부는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정제품과 관계된 센서 데이터를 제거하는, 수율 분석 시스템.
The method of claim 2,
Wherein the data extracting unit removes sensor data related to the specific product when a missing value of the sensor data related to the specific product exceeds a set reference value.
상기 센서 검출부는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는, 수율 분석 시스템.
The method according to claim 1,
Wherein the sensor detection unit calculates a distance between the sensor data and the reference signal and detects one or more sensors having a correlation with the yield of the product using the calculated distance.
상기 센서 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행하는 전처리부를 더 포함하는, 수율 분석 시스템.
The method according to claim 1,
Further comprising a preprocessing unit for performing preprocessing including at least one of compression, normalization, and symbolization of the sensor data and the reference signal.
상기 전처리부는, 상기 센서 데이터를 복수 개의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센서 데이터의 대표값을 계산함으로써 상기 센서 데이터를 압축하는, 수율 분석 시스템.
The method of claim 6,
Wherein the preprocessing section compresses the sensor data by dividing the sensor data into a plurality of time intervals and calculating a representative value of the sensor data for each of the divided time intervals.
상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나인, 수율 분석 시스템.
The method of claim 7,
Wherein the representative value is any one of an average value or an intermediate value of the divided sensor data for each time interval.
상기 기준 신호 생성부는, 상기 각 센서 별로, 상기 양불 판정 정보를 이용하여 압축된 상기 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하고,
상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성하는, 수율 분석 시스템.
The method of claim 7,
The reference signal generator may classify the sensor data compressed using the positive determination information for each sensor into a good group and a bad group,
And generates the reference signal by calculating one of an average value and an intermediate value of the sensor data belonging to the normal group for each of the time intervals.
상기 기준 신호 생성부는, 상기 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는, 수율 분석 시스템.
The method of claim 9,
Wherein the reference signal generator removes an outlier from the normal group before generating the reference signal.
상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터인, 수율 분석 시스템.
The method of claim 10,
Wherein the abnormal value is sensor data in which at least one of a data start time or a data end time is not included in a preset normal range.
상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산되는, 수율 분석 시스템.
The method of claim 11,
Wherein the normal range is calculated using at least one of an average value or a standard deviation of data start time or data end time of sensor data included in the normal group.
상기 전처리부는, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하고, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환하는, 수율 분석 시스템.
The method of claim 6,
The pre-processing unit normalizes the sensor data compressed using the mean and variance of the reference signal, and outputs the sensor value of the normalized sensor data and the reference signal as a plurality of symbols according to a predetermined sensor value range. Conversion, yield analysis system.
상기 센서 검출부는, 심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 양불 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하고, 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼트리를 생성하는, 수율 분석 시스템.
14. The method of claim 13,
Wherein the sensor detecting unit generates a distance table using the symbolized sensor data, the reference signal, and the determination information, and applying a classification and regression tree (CART) algorithm to the distance table, A yield analysis system that generates a tree.
상기 센서 검출부는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출하는, 수율 분석 시스템.
15. The method of claim 14,
Wherein the sensor detecting unit detects a sensor whose Gini Index derived from the application of the CART algorithm is equal to or greater than a set value by a sensor having a correlation with the yield of the product.
상기 제조 설비로부터 생산된 제품의 양불 판정 정보를 획득하는 단계;
기준 신호 생성부에서, 상기 양불 판정 정보에 기초하여 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 단계; 및
센서 검출부에서, 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 단계를 포함하는 수율 분석 방법.
Extracting sensor data from a plurality of sensors provided in a manufacturing facility of a product and sensing a change in state of the manufacturing facility;
Acquiring the judgment information of the product produced from the manufacturing facility;
Generating, in the reference signal generation unit, a reference signal of each of the plurality of sensors from the sensor data based on the ample judgment information; And
And detecting, at the sensor detecting section, the one or more sensors having a correlation with the yield of the product using the sensor data and the reference signal.
상기 센서 데이터를 추출하는 단계는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하는 단계를 더 포함하는, 수율 분석 방법.
18. The method of claim 16,
Wherein the step of extracting the sensor data further comprises the step of correcting or filtering the sensor data in consideration of the number of missing values of the sensor data.
상기 센서 데이터를 보정 또는 필터링하는 단계는, 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거하도록 구성되는, 수율 분석 방법.
18. The method of claim 17,
Wherein the step of correcting or filtering the sensor data is configured to remove sensor data extracted from the specific sensor when the number of missing values of the sensor data extracted from the specific sensor exceeds a set reference value.
상기 센서 데이터를 보정 또는 필터링하는 단계는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정제품과 관계된 센서 데이터를 제거하도록 구성되는, 수율 분석 방법.
18. The method of claim 17,
Wherein the step of correcting or filtering the sensor data is configured to remove sensor data associated with the specific product when a missing value of the sensor data associated with the particular product exceeds a set reference value.
상기 센서를 검출하는 단계는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는, 수율 분석 방법.
18. The method of claim 16,
Wherein detecting the sensor comprises calculating a distance between the sensor data and the reference signal and using the calculated distance to detect one or more sensors having a correlation with the yield of the product.
상기 센서 데이터를 추출하는 단계의 수행 후 및 상기 기준 신호를 생성하는 단계의 수행 전,
전처리부에서, 추출된 상기 센서 데이터를 압축하는 단계를 더 포함하는, 수율 분석 방법.
18. The method of claim 16,
Before performing the step of extracting the sensor data and before the step of generating the reference signal,
Further comprising the step of compressing the sensor data extracted by the preprocessing unit.
상기 센서 데이터를 압축하는 단계는,
상기 센서 데이터를 복수 개의 시간 구간으로 분할하는 단계; 및
분할된 상기 시간 구간별 센서 데이터의 대표값을 계산하는 단계를 더 포함하는, 수율 분석 방법.
23. The method of claim 21,
The step of compressing the sensor data comprises:
Dividing the sensor data into a plurality of time intervals; And
Further comprising calculating a representative value of sensor data for each of the divided time segments.
상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나인, 수율 분석 방법.
23. The method of claim 22,
Wherein the representative value is one of an average value or an intermediate value of the divided sensor data for each time interval.
상기 각 센서별 기준 신호를 생성하는 단계는,
상기 각 센서 별로, 상기 양불 판정 정보를 이용하여 상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계; 및
상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함하는, 수율 분석 방법.
23. The method of claim 22,
The step of generating a reference signal for each sensor may include:
Classifying the compressed sensor data into a good group and a bad group using the positive determination information for each sensor; And
And calculating one of an average value and an intermediate value of the sensor data belonging to the normal group for each of the time intervals.
상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계는, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는 단계를 더 포함하는, 수율 분석 방법.
27. The method of claim 24,
Wherein classifying the compressed sensor data into a good group and a bad group further comprises removing an outlier from the normal group.
상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터인, 수율 분석 방법.
26. The method of claim 25,
Wherein the abnormal value is sensor data in which at least one of a data start time or a data end time is not included in a predetermined normal range.
상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산되는, 수율 분석 방법.
27. The method of claim 26,
Wherein the normal range is calculated using at least one of an average value or a standard deviation of data start time or data end time of sensor data included in the normal group.
상기 하나 이상의 센서를 검출하는 단계의 수행 전,
상기 전처리부에서, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하는 단계; 및
상기 전처리부에서, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환하는 단계를 더 포함하는, 수율 분석 방법.
23. The method of claim 21,
Before performing the step of detecting the one or more sensors,
Normalizing the sensor data compressed using the mean and variance of the reference signal in the pre-processing unit; And
And converting the sensor value of the normalized sensor data and the reference signal into a plurality of symbols according to a predetermined sensor value range in the pre-processing unit.
상기 하나 이상의 센서를 검출하는 단계는,
심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 양불 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하는 단계; 및
상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하는 단계를 포함하는, 수율 분석 방법.
29. The method of claim 28,
Wherein detecting the one or more sensors comprises:
Generating a distance table using the symbolized sensor data, the reference signal, and the positive / negative determination information; And
And applying a Classification And Regression Tree (CART) algorithm to the distance table.
상기 하나 이상의 센서를 검출하는 단계는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출하는, 수율 분석 방법.
29. The method of claim 29,
Wherein the step of detecting the at least one sensor detects a sensor having a Gini Index derived from the application of the CART algorithm equal to or greater than a predetermined value with a sensor having a correlation with the yield of the product.
메모리; 및
하나 이상의 프로그램을 포함하는 장치로서,
상기 하나 이상의 프로그램은 상기 메모리에 저장되고 상기 하나 이상의 프로세서에 의해 실행되도록 구성되며,
상기 프로그램은, 제품의 제조 설비에 구비되어, 상기 제조 설비의 상태 변화를 감지하는 복수 개의 센서들로부터 센서 데이터를 추출하는 과정;
상기 제조 설비로부터 생산된 제품의 양불 판정 정보를 획득하는 과정;
상기 양불 판정 정보에 기초하여, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 과정; 및
상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 과정을 실행하기 위한 명령어들을 포함하는, 장치.One or more processors;
Memory; And
An apparatus comprising one or more programs,
Wherein the one or more programs are stored in the memory and are configured to be executed by the one or more processors,
Extracting sensor data from a plurality of sensors provided in a manufacturing facility of the product and sensing a change in state of the manufacturing facility;
Obtaining a piece of good judgment information of a product produced from the manufacturing facility;
Generating a reference signal for each of the plurality of sensors from the sensor data based on the ample judgment information; And
And detecting the one or more sensors having a correlation with the yield of the product using the sensor data and the reference signal.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130062300A KR101538843B1 (en) | 2013-05-31 | 2013-05-31 | Yield management system and method for root cause analysis using manufacturing sensor data |
| US14/011,873 US20140358465A1 (en) | 2013-05-31 | 2013-08-28 | Yield analysis system and method using sensor data of fabrication equipment |
| CN201310382057.8A CN104216349B (en) | 2013-05-31 | 2013-08-28 | Utilize the yield analysis system and method for the sensing data of manufacturing equipment |
| PCT/KR2013/007831 WO2014193041A1 (en) | 2013-05-31 | 2013-08-30 | System and method for analyzing yield by utilizing sensor data of manufacturing equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130062300A KR101538843B1 (en) | 2013-05-31 | 2013-05-31 | Yield management system and method for root cause analysis using manufacturing sensor data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20140141051A KR20140141051A (en) | 2014-12-10 |
| KR101538843B1 true KR101538843B1 (en) | 2015-07-22 |
Family
ID=51986074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130062300A KR101538843B1 (en) | 2013-05-31 | 2013-05-31 | Yield management system and method for root cause analysis using manufacturing sensor data |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20140358465A1 (en) |
| KR (1) | KR101538843B1 (en) |
| CN (1) | CN104216349B (en) |
| WO (1) | WO2014193041A1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190098484A (en) * | 2018-02-14 | 2019-08-22 | 부산대학교 산학협력단 | System and Method for Fault Isolation in Industrial Processes using CART based variable ranking |
| KR102578489B1 (en) | 2022-07-12 | 2023-09-13 | 이재학 | Digital transformation prediction system based on big data and machine learning |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2916260A1 (en) * | 2014-03-06 | 2015-09-09 | Tata Consultancy Services Limited | Time series analytics |
| US9866161B1 (en) * | 2014-05-21 | 2018-01-09 | Williams RDM, Inc. | Universal monitor and fault detector in fielded generators and method |
| US10935962B2 (en) * | 2015-11-30 | 2021-03-02 | National Cheng Kung University | System and method for identifying root causes of yield loss |
| KR102089818B1 (en) * | 2015-12-31 | 2020-03-17 | 주식회사 포스코아이씨티 | System for processing big data in a realtime |
| KR102456898B1 (en) * | 2016-03-17 | 2022-10-19 | 삼성에스디에스 주식회사 | Method and apparatus for generating norm pattern of data signal |
| KR20170130674A (en) * | 2016-05-18 | 2017-11-29 | 삼성전자주식회사 | process evaluation method and method for controlling substrate fabrication apparatus |
| WO2018004623A1 (en) | 2016-06-30 | 2018-01-04 | Intel Corporation | Sensor based data set method and apparatus |
| KR102036956B1 (en) * | 2016-08-11 | 2019-10-25 | 에스케이 주식회사 | Measurement-Yield Correlation Analysis Method and System |
| US10393802B2 (en) * | 2017-06-14 | 2019-08-27 | Nuvoton Technology Corporation | System and method for adaptive testing of semiconductor product |
| CN109582482A (en) * | 2017-09-29 | 2019-04-05 | 西门子公司 | For detecting the abnormal method and device of discrete type production equipment |
| CN108761196B (en) * | 2018-03-30 | 2020-01-21 | 国家电网公司 | Method for repairing missing voltage data of intelligent electric meter user |
| DE112018007522T5 (en) * | 2018-05-31 | 2021-01-14 | Mitsubishi Electric Corporation | WORK ANALYSIS DEVICE |
| CN111223799B (en) * | 2020-01-02 | 2022-12-20 | 长江存储科技有限责任公司 | Process control method, device, system and storage medium |
| CN114819441A (en) * | 2021-01-27 | 2022-07-29 | 深圳长城开发科技股份有限公司 | Screening method and system for high-yield industrial data analysis |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060100489A (en) * | 2005-03-17 | 2006-09-21 | (주)미래로시스템 | Yield management system for bare wafer using wafer map and statistical analysis function |
| KR20090133138A (en) * | 2001-07-30 | 2009-12-31 | 어플라이드 머티어리얼즈 인코포레이티드 | Method and apparatus for analyzing manufacturing data |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6269353B1 (en) * | 1997-11-26 | 2001-07-31 | Ishwar K. Sethi | System for constructing decision tree classifiers using structure-driven induction |
| US6101275A (en) * | 1998-01-26 | 2000-08-08 | International Business Machines Corporation | Method for finding a best test for a nominal attribute for generating a binary decision tree |
| KR100547936B1 (en) * | 2003-08-07 | 2006-01-31 | 삼성전자주식회사 | Impurity Elution Device |
| JP4360612B2 (en) * | 2003-09-16 | 2009-11-11 | 日東電工株式会社 | Yield improvement information providing system and yield improvement method |
| US6973390B2 (en) * | 2004-02-13 | 2005-12-06 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system for analyzing wafer yield against uses of a semiconductor tool |
| JP4501750B2 (en) * | 2005-03-29 | 2010-07-14 | セイコーエプソン株式会社 | Detection device and authentication device |
| JP2007310665A (en) * | 2006-05-18 | 2007-11-29 | Toshiba Corp | Process monitoring apparatus |
| US7503020B2 (en) * | 2006-06-19 | 2009-03-10 | International Business Machines Corporation | IC layout optimization to improve yield |
| JP4908995B2 (en) * | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | Defect classification method and apparatus, and defect inspection apparatus |
| CN101183399B (en) * | 2007-11-16 | 2010-12-08 | 浙江大学 | Method for analyzing and increasing yield of semi-conductor production line |
| EP2131292A1 (en) * | 2008-06-06 | 2009-12-09 | NTT DoCoMo, Inc. | Method and apparatus for searching a plurality of realtime sensors |
-
2013
- 2013-05-31 KR KR1020130062300A patent/KR101538843B1/en active IP Right Grant
- 2013-08-28 CN CN201310382057.8A patent/CN104216349B/en active Active
- 2013-08-28 US US14/011,873 patent/US20140358465A1/en not_active Abandoned
- 2013-08-30 WO PCT/KR2013/007831 patent/WO2014193041A1/en active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090133138A (en) * | 2001-07-30 | 2009-12-31 | 어플라이드 머티어리얼즈 인코포레이티드 | Method and apparatus for analyzing manufacturing data |
| KR20060100489A (en) * | 2005-03-17 | 2006-09-21 | (주)미래로시스템 | Yield management system for bare wafer using wafer map and statistical analysis function |
Non-Patent Citations (2)
| Title |
|---|
| Chen-Fu Chine 외 2인, 'Data mining for yield enhancement in semiconductor manufacturing and an empirical study', Expert Systems with Applications 33, 2007, pp.192-198 * |
| Dekong Zeng, Statistical Methods for Enhanced Metrology in Semiconductor/Photovoltaic Manufacturing, University of California 박사학위논문, 2012 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190098484A (en) * | 2018-02-14 | 2019-08-22 | 부산대학교 산학협력단 | System and Method for Fault Isolation in Industrial Processes using CART based variable ranking |
| KR102024829B1 (en) | 2018-02-14 | 2019-09-24 | 부산대학교 산학협력단 | System and Method for Fault Isolation in Industrial Processes using CART based variable ranking |
| KR102578489B1 (en) | 2022-07-12 | 2023-09-13 | 이재학 | Digital transformation prediction system based on big data and machine learning |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20140141051A (en) | 2014-12-10 |
| WO2014193041A1 (en) | 2014-12-04 |
| CN104216349B (en) | 2017-10-27 |
| US20140358465A1 (en) | 2014-12-04 |
| CN104216349A (en) | 2014-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101538843B1 (en) | Yield management system and method for root cause analysis using manufacturing sensor data | |
| KR101606239B1 (en) | System and method for analyzing sensing data | |
| US11568198B2 (en) | Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools | |
| KR101799603B1 (en) | Automatic fault detection and classification in a plasma processing system and methods thereof | |
| CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
| CN116304898B (en) | Sensor data intelligent storage system based on machine learning | |
| KR102265298B1 (en) | Apparatus and method for fault diagnosis using fake data generated by machine learning | |
| CN106959397B (en) | A kind of design method of the small fault diagnostic system for high-speed rail inverter | |
| KR20210017651A (en) | Method for Fault Detection and Fault Diagnosis in Semiconductor Manufacturing Process | |
| TW202211341A (en) | Predicting equipment fail mode from process trace | |
| CN114265840A (en) | Abnormality score calculation device, abnormality score calculation method, and storage medium | |
| CN116644368A (en) | Outlier identification method based on improved Grabbs test method | |
| US9696717B2 (en) | Apparatus and method of segmenting sensor data output from a semiconductor manufacturing facility | |
| US20190179867A1 (en) | Method and system for analyzing measurement-yield correlation | |
| CN117556364B (en) | Mining ore pressure safety intelligent monitoring system | |
| CN117314020B (en) | Wetland carbon sink data monitoring system of plankton | |
| CN110598674A (en) | Point switch fault identification method based on pattern identification | |
| CN113407520A (en) | Power network safety data cleaning system and method based on machine learning | |
| CN108613695A (en) | Redundant sensor fault detection method based on ICA-SPRT | |
| CN117556274B (en) | Temperature data anomaly analysis method for heat pipe backboard | |
| KR102504421B1 (en) | Vibration measurement error determination method and vibration error determination system using the same | |
| CN117892214A (en) | Construction method of abnormality detection model, abnormality detection method and abnormality detection system | |
| KR20150036177A (en) | Methods for eddy current data matching | |
| CN117786353A (en) | System and method for high-speed real-time visual measurement of embedded bag making machine | |
| Mahmud et al. | Development of a Robust Peak Detection Algorithm in Time Series Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20180625 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20190701 Year of fee payment: 5 |